通过官方示例学习宠物跟随（点乘与叉乘）

### 深度学习中的点乘与叉乘概念及其应用 #### 点乘（内积） 在深度学习中，向量之间的点乘运算用于衡量两个向量间的相似程度。具体来说，对于长度相同的两个向量 \( \mathbf{a}=[a_1, a_2,...,a_n] \) 和 \( \mathbf{b}=[b_1,b_2,...,b_n] \)，它们的点乘定义如下： \[ \text{dot product } (\mathbf{a},\mathbf{b})=\sum_{i=1}^{n}{(a_i*b_i)} \] 这种操作常见于神经网络层间的数据传递过程之中，比如全连接层权重矩阵W与输入特征向量X相乘得到输出Y=W·X。 ```python import numpy as np vector_a = np.array([1, 2]) vector_b = np.array([3, 4]) result_dot_product = np.dot(vector_a, vector_b) print(f"The dot product of {vector_a} and {vector_b} is {result_dot_product}") ``` 此代码展示了如何利用NumPy库来实现简单的二维向量之间点乘计算[^1]。 #### 叉乘（外积/矢量积） 相比之下，叉乘仅适用于三维空间内的两组坐标表示法下的向量\( (x,y,z)\),其结果会形成一个新的垂直于此平面方向上的第三个向量c=(cx,cy,cz): \[ c_x=a_y * b_z-a_z * b_y \\ c_y=a_z * b_x-a_x * b_z\\ c_z=a_x * b_y-b_x*a_y \] 值得注意的是，在高维数据处理场景下我们通常不会直接涉及到真正的几何意义上的“叉乘”，但在某些特定领域如计算机视觉里可能会遇到类似的变换形式；另外一些情况下也会采用广义化的张量积作为替代方案之一。 ```python from numpy import cross vector_c = cross(vector_a, vector_b) print(f"The cross product of {vector_a} and {vector_b} results in the new perpendicular vector {vector_c}.") ``` 上述例子说明了通过Python内置函数完成基本的三维度数组交叉乘法运算。 #### 主要区别 - **适用范围**: 点乘可用于任意维度的空间，而标准意义下的叉乘则限定于三维环境； - **物理含义**: 前者反映的是两者共线性强度或者说投影关系，后者给出了一条新轴代表原有两条边构成平行四边形面积大小及方位指向； - **应用场景**: 在机器学习算法设计过程中更多关注前者所体现出来的关联特性分析价值，至于后者除非涉及特殊图形学任务否则较少触及到该层面的操作逻辑。